UniG-Encoder: مشغل ميزة شمولي لتصنيف عقد الرسم البياني والرسم البياني الفائق

لقد لاقت تمثيلات الرسوم البيانية والرسوم الفائقة الاهتمام المتزايد من مختلف مجالات البحث. وعلى الرغم من الأداء الجيد والتطبيقات الغنية التي حققتها شبكات التعلم العصبي للرسوم البيانية (GNNs) وشبكات التعلم العصبي للرسوم الفائقة (HGNNs) ومتغيراتها المصممة بعناية على مجموعة من الرسوم البيانية والرسوم الفائقة القياسية، إلا أنها تُتفوّق عليها حتى الشبكة العصبية متعددة الطبقات البسيطة (Multi-Layer Perceptron). وقد دفعت هذه الملاحظة إلى إعادة النظر في نموذج التصميم الحالي لشبكات GNNs وHGNNs، كما تطرح تحديات في استخراج ميزات الرسوم البيانية بشكل فعّال. في هذا العمل، تم تصميم مُشفر ميزات عام لتمثيل الرسوم البيانية والرسوم الفائقة، يُسمى UniG-Encoder. تبدأ البنية بتحويل تفاعلات البنية التحتية للعقد المتصلة إلى ميزات للحواف أو الحواف الفائقة من خلال مصفوفة تصوير مُعدّلة. ثم تُدخل الميزات الناتجة للحواف/الحواف الفائقة، إلى جانب الميزات الأصلية للعقد، إلى شبكة عصبية. وتُستخلص تمثيلات العقد المشفرة بعد ذلك من خلال عملية تحويل عكسي، يُعبّر عنها بمعكوس مصفوفة التصوير، من إخراج الشبكة، ويمكن استخدام هذه التمثيلات لمهام مثل تصنيف العقد. على عكس النهج التقليدي القائم على الطيف و/أو تمرير الرسائل، فإن البنية المقترحة تستغل بفعالية وشمولية ميزات العقد والبنية التحتية للرسوم البيانية/الرسوم الفائقة في نمط موحد، وتغطي كل من الرسوم البيانية المتجانسة (homophilic) والمتباينة (heterophilic). كما أن مصفوفة التصوير المصممة، التي تُشفر ميزات الرسوم البيانية، تكون مباشرة وقابلة للتفسير. وقد أُجريت تجارب واسعة النطاق، وأظهرت أداءً متفوّقًا للإطار المقترح على اثني عشر مجموعة بيانات رسوم فائقة ممثلة، وستة مجموعات بيانات رسوم بيانية حقيقية، مقارنةً بالأساليب الحالية الأفضل. يتوفر تنفيذنا عبر الإنترنت على الرابط: https://github.com/MinhZou/UniG-Encoder.